机器学习入门实例：加州房价预测-1（数据准备与可视化）

1. 数据集准备
为了进行房价预测，我们将使用一个公开的加州房价数据集。这个数据集包含了房屋的各种特征，如卧室数量、浴室数量、面积等，以及对应的房价。
首先，我们需要将数据导入Python。这里我们使用pandas库来读取数据：

import pandas as pd
data = pd.read_csv('california_housing_dataset.csv')
print(data.head())

这将显示数据集的前几行，帮助我们初步了解数据结构。
2. 数据清洗
数据清洗是预处理步骤中的重要环节，目的是去除异常值、缺失值和重复值，确保数据质量。

• 处理缺失值：使用 fillna() 方法填充缺失值。这里我们用平均值填充：

  data = data.fillna(data.mean())

• 处理异常值：可以使用箱线图（box plot）来识别异常值。箱线图能显示一组数据的最大值、最小值、中位数和上下四分位数。通过观察箱线图，我们可以找出离群点并进行处理。
• 处理重复行：使用 duplicated() 方法找出重复行并删除。
  3. 数据可视化
  可视化可以帮助我们直观地了解数据分布和特征之间的关系。
• 特征分布：使用直方图或箱线图展示每个特征的分布情况，以便了解特征的取值范围和离散程度。例如，我们可以绘制卧室数量的直方图：

  import matplotlib.pyplot as plt
  plt.hist(data['bedrooms'], bins=20)
  plt.show()

• 特征间关系：使用散点图或热力图展示特征之间的关系。例如，我们可以绘制卧室数量和房价的散点图：

  plt.scatter(data['bedrooms'], data['price'])
  plt.xlabel('Bedrooms')
  plt.ylabel('Price')
  plt.show()

  通过以上步骤，我们对数据有了初步的了解，并进行了必要的预处理。接下来，我们将进行特征工程，进一步提取有用的特征，为建模做准备。